Ensemble aus vortrainierten Modellen verbessert Trajektorienvorhersage um 10 %

In einer neuen Studie von Forschern aus dem Bereich autonomes Fahren wurde gezeigt, dass die Kombination mehrerer hochentwickelter, vortrainierter Modelle die Vorhersagegenauigkeit von Fahrzeugtrajektorien in urbanen Umgebungen signifikant steigert. Durch die Anwendung einer einfachen, vertrauensbasierten Mittelwertbildung – ohne erneutes Training oder Feinabstimmung – konnten die Autoren die Leistung um etwa zehn Prozentpunkte gegenüber dem bislang besten Modell erhöhen, insbesondere bei den sogenannten Long‑Tailed‑Metriken.

Die Ergebnisse wurden auf zwei führenden Datensätzen – NuScenes und Argoverse – validiert und zeigen, dass die Verbesserung über die gesamte Datenverteilung hinweg konsistent ist. Damit demonstriert die Arbeit, dass Ensemble‑Ansätze ein kostengünstiges Mittel darstellen, um die Stärken bestehender Modelle zu bündeln und die Gesamtleistung zu optimieren. Der zugehörige Code ist als Open‑Source‑Projekt verfügbar, was die Reproduzierbarkeit und Weiterentwicklung der Methode erleichtert.